PENYEDERHANAAN LANGKAH KLASIFIKASI CITRA MRI JANTUNG NORMAL DAN ABNORMAL MENGGUNAKAN METODE DEEP LEARNING CNN

Dessy Irmawati, Prof. Ir. Oyas Wahyunggoro, M.T., Ph.D; Dr. Indah Soesanti, S.T., M.T.

2025 | Disertasi | S3 Teknik Elektro

Analisis fungsi jantung merupakan aspek vital dalam kardiologi klinis untuk memantau kondisi pasien, mendiagnosis kelainan, dan menilai risiko penyakit kardiovaskular (CVD), yang hingga kini masih menjadi penyebab kematian tertinggi di dunia. Diagnosis dini menjadi sangat penting, namun metode segmentasi dan perhitungan Region of Interest (RoI) pada citra MRI jantung masih menghadapi tantangan. Metode manual memerlukan waktu dan keahlian tinggi, sedangkan algoritma segmentasi otomatis yang melibatkan RoI, baik yang berbasis pemrosesan citra tradisional maupun deep learning masih belum cukup tangguh dalam menangani variasi data citra MRI seperti kontras rendah, tingkat kecerahan yang tidak seragam, dan artefak gerakan. Hal ini menyebabkan hasil RoI yang tidak konsisten dan menurunkan akurasi klasifikasi, dengan rata-rata hanya sebesar 91,9%.

Penelitian ini merancang concise framework klasifikasi citra jantung MRI tanpa tahap segmentasi dan RoI sebagai solusi untuk meningkatkan akurasi dan efisiensi komputasi. Dua arsitektur deep learning digunakan, yaitu ResNet50 dan LeNet5, untuk menganalisis efektivitas model kompleks dan sederhana dalam klasifikasi citra jantung. Evaluasi dilakukan pada dua dataset berbeda, ACDC MICCAI 2017 (NIFTI 3D, lima kelas) dan Sunnybrook (DICOM 2D, empat kelas), dengan skema pengujian citra yang menggunakan dan tanpa RoI.

Hasil menunjukkan bahwa model LeNet5 tanpa RoI pada dataset ACDC memberikan kinerja tertinggi dengan akurasi, presisi, dan F1-score sebesar 99%, serta sensitivitas, spesifisitas, dan kappa sebesar 100%. Pendekatan ini terbukti mampu mengklasifikasikan lima kelas penyakit jantung (NOR, DCM, HCM, ARV, MINF) secara konsisten. Temuan ini menegaskan bahwa klasifikasi tanpa segmentasi dan RoI menghasilkan framework yang lebih sederhana dengan akurasi optimal dan komputasi lebih cepat, mendukung kebutuhan diagnosis dini yang efisien dan pengambilan keputusan klinis yang tepat waktu.

Cardiac function analysis plays a vital role in clinical cardiology, particularly in monitoring patient conditions, diagnosing abnormalities, and assessing the risk of cardiovascular diseases (CVD), which remain the leading cause of death worldwide. Early diagnosis is therefore essential. However, segmentation and Region of Interest (RoI) extraction in cardiac MRI images still pose significant challenges. Manual methods require considerable time and expert knowledge, while automated segmentation algorithms involving RoI based on traditional image processing or deep learning techniques often struggle to robustly handle variations in MRI data, such as low contrast, uneven brightness, and motion artifacts. These limitations result in inconsistent RoI extraction and a decrease in classification accuracy, averaging only 91.9%.

This study proposes a concise framework for classifying cardiac MRI images without relying on segmentation and RoI extraction, aiming to improve accuracy and computational efficiency. Two deep learning architectures, ResNet50 and LeNet5, are utilized to evaluate the effectiveness of both complex and lightweight models in cardiac image classification. The models are tested on two distinct datasets: ACDC MICCAI 2017 (NIFTI 3D, five classes) and Sunnybrook (DICOM 2D, four classes), under two preprocessing schemes, images with and without RoI.

Experimental results demonstrate that LeNet5 without RoI on the ACDC dataset yields superior performance, achieving 99?curacy, precision, and F1-score, and 100% sensitivity, specificity, and kappa score. This approach consistently classifies cardiac MRI images into five disease categories (NOR, DCM, HCM, ARV, MINF) with high stability. The findings highlight that a classification framework without segmentation and RoI offers a simpler design with optimal accuracy and faster computation, supporting efficient early diagnosis and timely clinical decision-making.

Kata Kunci : deep learning, convolutional neural network, LeNet5, klasifikasi jantung, cardiac diseases, concise framework.